抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
近年,慣性センサ及び機械学習の組合せを用いた慣性センサデータに基づいた人体動きの自動分類に関する多くの研究が実施されて来た。センサデータ及び人体動きが互いに対応する場所での訓練データが必要である。被験者の疲労あるいは負傷に対する関心事のために,拡張した時間周期に渡った多数の被験者を含む実験を実施する事は難しい。それ故に,多くの研究は訓練データを構築するためのデータを取得するために,分類に従って反復した身体動きを実施する少数の被験者を許容している。そのような訓練データを用いて構築したどのような分類子も個々及び試行相違によって起こる一般化誤差に関連した幾つかの問題を持つだろう。そのような一般化誤差を抑制するために,特徴空間は個々及び試行相違による一般化誤差を生成しにくいように得られなければならない。そのような特徴空間を得るために,個々及び試行誤差による特徴空間一般化誤差の尤度を評価するための指標が必要である。それ故に,本論文ではそのような評価指標を観点から考案する事を目的とした。本論文において筆者らが提案した評価指標は次にように得られる。最初に,個々及び試行相違を表現する取得データの確率分布を構築する。それから,一般化誤差生成のどのようなリスクを計算するためにもそのような確率分布を用いる。バタフライ及び平泳ぎ水泳用のセンサデータに対してそれを適用する事によって提案評価手法の有効性を検証した。比較目的のために,筆者らは少数の既存の評価手法も適用した。筆者らは提案及び既存手法によって得られた特徴空間に対してサポートベクトルマシンを適用する事によってバタフライ及び平泳ぎ水泳用の分類子を構築した。テストデータを用いて筆者らが実施した精度検証に基づいて,筆者らは提案手法が既存の手法と比較して著しくより高いF-測度を生成する事を検出した。これは提案評価指標の使用が個々及び試行相違による一般化誤差を生成しにくい特徴空間を得る事を可能化する事を証明する。(翻訳著者抄録)